一种建立电动车辆的动力电池的模型的方法
【专利摘要】本发明涉及电池【技术领域】。为解决现有的基于等效电路模型的动力电池管理系统中动力电池模型复杂度过高或模型精度过低，以及建模时对数据格式过度依赖的问题，本发明提出一种建立电动车辆的动力电池的模型的方法,划分待提取数据所处的荷电状态SoC区间得到N个待辨识采样区间，对待辨识采样区间设置编号m，且m＝1,2,3，……，N，并提取动力电池的充、放电电流及电压；对待辨识采样区间的增大范围增大次数λ和优化次数γ进行初始化设置；进行参数辨识并保存辨识得到的参数，辨识完成后对动力电池不同阶次的模型进行精度分析，根据需要添加误差补偿函数进行优化，进行AIC阶次评估，得到精度与复杂度最佳平衡后的模型。建模成本低，且模型精度高。
【专利说明】—种建立电动车辆的动力电池的模型的方法
【技术领域】
[0001]本发明涉及电池【技术领域】，尤其涉及建立对电动车辆上车载动力电池的状态参数进行估计、预测用的模型的方法，以及基于该建模方法建立的动力电池模型设计的电池管理系统。
【背景技术】
[0002]目前，空气质量日益恶化，比如PM2.5问题就逐渐困扰着城市居民的生活和出行。为了缓解汽车排放对环境带来的污染，以电动车辆为代表的新能源汽车行业得到极大的发展。
[0003]电动车辆多是使用车载的动力电池为电动车辆的运行提供电力。由于动力电池的电池能量高、材料稳定性差，易出现使用安全问题，电动车辆上的动力电池管理系统无法对动力电池的荷电状态(State of Charge,简称SoC)、健康状态(State of Health,简称SoH)以及峰值功率能力进行准确监测，进而无法准确分析出动力电池的性能状态，存在管理缺陷。
[0004]为提高动力电池管理系统的监测精度，消除管理缺陷，本领域的技术人员在设计动力电池的管理系统时，先建立动力电池模型，再基于该动力电池模型来设计动力电池管理系统。目前，本领域常用的动力电池模型主要由电化学模型、黑箱模型和等效电路模型三类。
[0005]电化学模型相较于其他两类模型虽然能够更好地对动力电池的各项指标进行量化评价和模拟，但是由于在建立电化学模型时涉及到动力电池内部材料的参数较多，导致建模运算量大，且在实车应用该模型时很难对动力电池的性能参数进行定期更新和标定，故动力电池的电化学模型一般仅用于对电池性能进行分析的应用中。
[0006]黑箱模型的代表是神经网络模型，该神经网络模型虽然能够较好的模拟出动力电池的非线性特征，但是在使用前必须使用训练样本对其进行训练，而在训练过程中，输入变量的选择和数量直接影响神经网络模型的准确性和运算量，且该神经网络模型的模拟误差还会受到训练数据和训练方法的影响，导致模拟结果不稳定。
[0007]等效电路模型使用电容、电阻等基本的电路元件构成的电路来描述动力电池的工作特性。相较于上述两类模型，等效电路模型不但模型参数对动力电池的性能状态具有很好的表征作用，还可以结合数学算法对动力电池的荷电状态SoC进行实时在线预测，使得预测结果具有较高的准确性。
[0008]综合上述原因，本领域的技术人员在设计动力电池的管理系统时，多采用等效电路模型作为动力电池管理系统的设计基础，同时，为提高动力电池的等效电路模型的精度，本领域的技术人员提出了具有多阶次RC网络的等效电路模型。经实际使用发现，由于动力电池的等效电路模型中含有的RC网络的阶数过多，不仅对电动车辆的动力电池管理系统的计算能力形成极大的挑战，其精度还不一定能够满足技术人员的需要。
[0009]另外，电动车辆在实际使用过程中，每隔一段时间就要对电动车辆的动力电池的性能参数进行更新和标定。目前，在对电动车辆的动力电池的性能参数进行更新和标定时，多是采用专用测试设备对动力电池进行特定的试验，从而得到动力电池的充放电电流、充放电电压及充放电时间等数据，并利用这些具有特定格式的数据对动力电池的性能参数进行更新和标定。比如，混合功率脉冲特性(Hybrid Pulse Power Characteristic,简称HPPC)试验，就必须使用Arbin BT2000、BTS4000等专用电池检测设备来完成。由此可见，在对实际使用的电动车辆上的车载动力电池的性能参数进行更新和标定时，必须停车或将电动车辆上的动力电池拆下进行特定试验，以获取特定格式的动力电池充放电电流、电压及时间等数据，数据采集不方便且成本高，进而导致对实际使用的电动车辆上的车载动力电池的性能参数进行更新和标定不方便且成本高。
【发明内容】
[0010]为解决现有的基于等效电路模型的动力电池管理系统中电池动力模型复杂度过高或模型精度过低，以及动力电池的等效电路模型在进行参数辨识时对数据格式过度依赖，导致动力电池的等效电动模型适应度低、参数后期更新标定困难的问题，本发明提出一种建立电动车辆的动力电池的模型的方法，该方法包括如下步骤:
[0011]步骤一、先选定待提取数据所处的荷电状态SoC区间，并将该荷电状态SoC区间划分为N-ι段，得到N个待辨识采样区间，对所述待辨识采样区间设置编号m，且m =1，2，3，……，N ;然后，提取动力电池在所述待辨识采样区间上的充、放电电流及电压；
[0012]步骤二，对3、λ和y进行初始化设置，
[0013]其中，
[0014]3为所述待 辨识采样区间的增大范围；
[0015]λ为增大所述待辨识采样区间的范围的次数；
[0016]Y为优化次数；
[0017]步骤三，根据所述动力电池的数据矩阵Φη,π和参数矩阵θηπ:
【权利要求】
1.一种建立电动车辆的动力电池的模型的方法，其特征在于，该方法包括如下步骤:步骤一、先选定待提取数据所处的荷电状态SoC区间，并将该荷电状态SoC区间划分为N-1段，得到N个待辨识采样区间，对所述待辨识采样区间设置编号m，且m = 1，2，3，……，N ;然后，提取动力电池在所述待辨识采样区间上的充、放电电流及电压； 步骤二，对C λ和y进行初始化设置， 其中， cJ力所述待辨识采样区间的增大范围； λ为增大所述待辨识采样区间的范围的次数； Y为优化次数； 步骤三，根据所述动力电池的数据矩阵Φη，π和参数矩阵θηπ:
2.根据权利要求1所述的建立电动车辆的动力电池的模型的方法，其特征在于，在所述步骤一中，对所选定的荷电状态SoC的区间进行平均划分。
3.根据权利要求1或2所述的建立电动车辆的动力电池的模型的方法，其特征在于，在
所述步骤三中
4.根据权利要求3所述的建立电动车辆的动力电池的模型的方法，其特征在于，在所述步骤三中，所述相关程度评价系数的阈值为0.98。
5.根据权利要求4所述的建立电动车辆的动力电池的模型的方法，其特征在于，在所述步骤三中，所述允许增大次数为5次。
6.根据权利要求1或2所述的建立电动车辆的动力电池的模型的方法，其特征在于，在所述步骤五中，所述允许优化次数为5次。
7.根据权利要求6所述的建立电动车辆的动力电池的模型的方法，其特征在于，在所述步骤五中，采用遗传算法得出所述误差补偿函数的优化系数的最优解。
8.一种基于权利要求1-7中任意一项所述的建立电动车辆的动力电池模型的方法所建立的动力电池模型设计的电池管理系统。
【文档编号】G01R31/36GK103983920SQ201410238428
【公开日】2014年8月13日 申请日期:2014年5月30日 优先权日:2014年5月26日
【发明者】熊瑞, 何洪文, 张永志, 彭剑坤 申请人:北京理工大学